论文提出了latent diffusion models (LDMs)。基于该模型最著名的工作是文本生成图像模型stable-diffusion。

普通的扩散模型在像素空间操作，运算复杂度较高。为了保证在低资源下训练扩散模型，并保留扩散模型的质量和灵活性，该论文使用预训练的自编码器得到隐含空间，并在隐含空间中训练扩散模型。另一方面，该论文使用cross-attention机制为扩散模型引入条件，条件可以是文本、bounding box等。

方法

方法的整体结构如上图。

先用自编码器训练通用的压缩模型（红色部分），通用的压缩模型可以用来训练不同的扩散模型。

之后在自编码器的低维隐含空间上训练扩散模型（绿色部分），降低运算复杂度。

图片压缩

使用perceptual loss和patch-based adversarial objective训练一个自编码器用于图片的压缩。

用 $x=\mathbb{R}^{H \times W \times 3}$ 表示图片。有编码器 $z=\mathcal{E}(x)$ ，解码器 $\tilde{x}=\mathcal{D}(z)$ 。

$z=\mathbb{R}^{h \times w \times c}$ ，z是被降采样的隐含表示，是被压缩的结果。二维的隐含表示有利于保存图片的细节。

为了避免隐含空间有过高的方差，作者使用了两种regularization。

KL-reg。类似VAE，假设隐含表示服从标准正太分布。
VQ-reg。解码器使用vector quantization layer。

隐含扩散模型

普通的扩散模型的优化公式如下：

压缩模型被训练好后，就得到了低维的隐含空间。这个空间对于likelihood-based生成模型的好处是，生成模型可以更关注重要的语义信息，并且可以更为高效地训练。

论文提出在隐含空间训练扩散模型。基于隐含表示的扩散模型优化的公式如下：

其中 $\epsilon_\theta$ 用time-conditional UNet来实现。

条件机制

作者通过使用cross-attention机制来补充UNet以引入条件。cross-attention的计算如下：

其中 $\tau_\theta(y) \in \mathbb{R}^{M \times d_\tau}$ 是条件y经过encoder得到的中间表示， $\varphi_i(z_t) \in \mathbb{R}^{N \times d_\epsilon^i}$ 是UNet的中间表示。

基于条件的隐含扩散模型优化公式如下：

遇到的一些名词

Bits Per Dimension

在论文的分析图中出现了bits/dim。这个是指标负log-likelihood除以图片的维度的单位。该指标越小模型性能越好。负log-likelihood等于用熵编码法（entropy coding scheme）无损压缩所需要的平均bit数。

The total discrete log-likelihood is normalized by the dimensionality of the images (e.g., 32 × 32 × 3 = 3072 for CIFAR-10). These numbers are interpretable as the number of bits that a compression scheme based on this model would need to compress every RGB color value.

参考：《Pixel Recurrent Neural Networks》

论文笔记High-Resolution Image Synthesis with Latent Diffusion Models

方法

图片压缩

隐含扩散模型

条件机制

遇到的一些名词

Bits Per Dimension

猜你喜欢